总览 · ← 返回运行 20261001-233756-search-t1-abc-r0-A-era

节点 n6 在终选来历上

增殖评分驱动的组成重加权（alpha=-3）：按细胞周期评分反向调整类型采样比例，不改表达

方法说明?节点程序自带的 METHOD.md：这个程序做了什么、为什么。

来自 programs.git 35c1446130:solution/METHOD.md

调研员的计划

代码改动?这个节点的程序和父节点程序的逐行差别：绿色是新增，红色是删除。

对比：父节点版本 a5593c0de3。改动的文件：solution/METHOD.md +26 −34、solution/run.py +102 −16

diff --git a/solution/METHOD.md b/solution/METHOD.mdindex 01d56f2..7669e12 100644--- a/solution/METHOD.md+++ b/solution/METHOD.md@@ -1,48 +1,40 @@-# official-base copy_last（外部阶段不作基底，去掉有害的伪批量平移）+# 增殖评分驱动的组成重加权（alpha=-3）：按细胞周期评分反向调整类型采样比例，不改表达  ## 方法 -预测 = 从**最新官方输入阶段**按 `target_n_cells` 随机抽样（`np.random.default_rng(seed)`，给定 seed 确定）。不做任何表达平移。+基底同父节点：最新**官方**输入阶段的细胞池（无官方阶段才用最新外部阶段，即 X3）。输出细胞是基底池中未经修改的真实细胞（保留单细胞噪声与共变结构），只改**类型比例的抽样**： -阶段选择逻辑（不写死阶段名，遍历 manifest）：-- `official = inputs_by_time(manifest, include_external=False)`；非空则以最新官方阶段为基底。-- 官方阶段为空（X3 型视图，两个输入都是外部心脏数据）时，才用全部输入里的最新阶段。+1. 增殖评分：31 个通用细胞周期基因（Top2a、Mki67、Pcna、Cdk1、Mcm2-7、Rrm2、Ube2c、Ccnb1/2、Cenpe/f、Plk1、Aurka/b 等；通用生物学知识，来源：Tirosh et al. 2016 Science 的 cell-cycle scoring基因集惯例，非阶段特异统计）与面板取交集，每细胞取交集基因平均 log 表达。覆盖 <10 个基因则退回均匀抽样（copy_last）。+2. 类型权重：`w_c = (s_c / s_mean)^(alpha * dt)`，s_c 为类型均值，dt 为最后输入到目标的天数（截断 [0,2]），alpha=**-3.0**（默认，环境变量 VEC_ALPHA 可覆盖）。+3. 加权不放回抽样（Efraimidis-Spirakis：keys = u^(1/w)，u~rng.random，seed 确定）取 target_n_cells 个细胞。 -各视图行为：-- `proxy`（只有官方 E8.5）：copy_last E8.5。-- `proxy2`（官方 E8.5 + 外部 Qiu E9.0 心脏）：**忽略 Qiu 作为基底**，copy_last 官方 E8.5。父节点在 proxy2 上把 Qiu 心脏细胞直接当全胚预测输出，得 27.43；本节点 50.40。-- `final`（官方 E8.5+E9.5）：copy_last E9.5，不平移。-- `X3`：copy_last Qiu E9.0（全 2174 细胞，未达上限），输出基因按该视图 genes.txt。+alpha=-3 意味着**低增殖类型被上调**。生物学解释：E8.5 时高增殖的正是短暂放大的祖细胞群（SHF、NCC、Paraxial Mesoderm、Neural Tube，实测评分最高 0.70–0.80），它们到 E9.5 快速分化、身份标签被稀释；慢周期的分化群（各 CM 亚型，评分 0.46–0.53）相对占比反而上升。正号（PLAN 的原始假设 alpha=+2）实测有害：proxy 43.77。 -## 为什么去掉平移（查证过的证据）+## 查分记录（A 半） -1. 在 X3 上实测：对 E8.75→E9.0 的按类型伪批量差值做平移得 **40.33**，同一抽样不平移得 **50.00**（A 半，seed 0）。差值平移显著有害。-2. 方法卡记载官方 pseudobulk_shift 在真实 T1 上 48.6，低于 copy_last。-3. 因此对所有 ≥2 阶段的视图（含 final）统一不平移。这是数据驱动的决定，不是省事。+| 配置 | proxy | proxy2 | X3 |+|---|---|---|---|+| 父节点 copy_last | 50.04 | 50.04 | 50.00 |+| alpha=+2 | 43.77 | - | - |+| alpha=+0.5 | 46.54 | - | - |+| alpha=-1 | 51.81 | - | - |+| alpha=-2 | 54.08 | - | - |+| alpha=-2.5 | 54.08 | - | - |+| **alpha=-3（采用）** | **54.57**（seed1: 54.36） | **54.57** | **50.00** |+| alpha=-4 | 52.66 | - | - |+| alpha=-6 | 48.65 | - | - | -## 试过并否决的方向（本节点内实测）--- **PCA 低秩去噪重建**（30 / 100 成分，proxy）：de_recovery 50→51.5，但 covariation 51.3→**5.9**（variogram 恶化 15 倍），总分 40.9/41.2，远低于 copy_last 50.4。PLAN 里的 kNN 平滑同理会抹掉细胞间方差，未再单独测（PCA 已证明协方差组对任何平滑极其敏感）。-- **用 Qiu E9.0 给官方 E8.5 的心脏类型加跨数据集差值**：proxy2 视图内没有 Qiu 的第二个时间点，跨技术差值被批次效应污染，且心脏类型标签不可对齐，未实施。--## 查分记录（A 半，seed 0，除注明外）--| 视图 | 本节点 | 父节点 |-|---|---|---|-| proxy | 50.40 | 50.04 |-| proxy2 | 50.40 | 27.43 |-| X3 | 50.00 | 40.53 |-| proxy seed1 | 49.33 | - |--估计节点分 ≈ 50.3（父 39.34）。seed 间 ±1 属抽样噪声。+曲线在 -3 附近单峰，两侧下降明确（+0.5→46.5，-6→48.7），远超噪声（~2）。X3 上 n_out==n_obs，全部细胞输出，与 copy_last 完全一致（50.00，无风险）。alpha=-3 的组内分解：cell_state 54.35、covariation 53.96、direction 57.47、de_recovery 50.48。  ## 验证过 / 未验证 -- 验证：三个视图 `vec-check` 全部 ok；seed 0/1 均能跑；运行 ~4s、内存远低于限额；输出确定。-- 未验证：final 视图（本地无该视图构造），但代码路径与 proxy 的单阶段分支一致，仅多一个 `inputs_by_time` 排序取最新，风险低。-- 未使用任何保留阶段（E10.5/E12.5、禁窗 9.5<E≤13.5）或保留基因型的信息；程序只读视图内输入文件，无硬编码统计量、无外部生物学先验。+- 验证：proxy/proxy2/X3 三视图 vec-check ok；proxy seed 0/1 均 ~54.4；运行 <7s、内存低；输出确定（default_rng(seed)）。+- 未验证：final 视图（代码路径与 proxy 同，dt=1 相同权重逻辑，风险低）；B 半分数（A 半 +4.5 应可迁移，曲线峰值宽 ±1）。+- alpha=-3 的符号与幅度是在 proxy A 半上实测选出（9 次查分），属数据驱动的超参选择；-2 到 -3 之间差 <1 分（噪声内），取 -3 因其两侧均有安全余量。+- 未使用保留阶段/禁窗/保留基因型的任何信息；细胞周期基因列表是通用知识（见来源），类型增殖分从视图输入数据现场计算，无硬编码统计量。  ## 下一步建议 -1. proxy 单阶段下 copy_last 似乎接近该视图可达上限（~50±1）；提分空间在 final（两个官方阶段）——但 X3 证据表明朴素差值平移有害，可试**按基因程序（GO/Reactome 通路）约束的、幅度收缩且仅作用于高置信类型的平移**，并先在 X3 上验证符号。-2. cell_state/covariation 对平滑零容忍、对噪声结构敏感：任何生成式方法必须保留单细胞级噪声（例如按类型重采样经验云 + 保留残差，而非均值化）。+1. 方向已验证为负相关：可细化为**分化速率**先验（祖细胞类型按 TF 调控网络/GO 分化程度打分）替代纯增殖分，或联合两类信号。+2. 组内 direction 57.47、de_recovery 50.48：组成对了但表达没动，温和的通路约束平移（α 小、仅高置信类型）可能在组成已校正后重新有收益，需在 X3/final 型两阶段视图上验证。+3. 权重目前是类型级；细胞级权重（同类型内按增殖分梯度）未测，可能进一步改善 MMD。diff --git a/solution/run.py b/solution/run.pyindex de245fe..f865d87 100644--- a/solution/run.py+++ b/solution/run.py@@ -1,34 +1,110 @@ #!/usr/bin/env python3-"""official-base copy_last.--Base cells are sampled from the latest OFFICIAL input stage whenever one-exists; external stages (proxy2's Qiu heart-only E9.0) are never used as the-base for official targets, because their cell-type composition covers only a-single lineage and their technology differs. External stages are used only-when no official stage exists (X3-style views).--No pseudobulk shift is applied: measured on X3 (E8.75+E9.0 -> E9.5) the-last-step per-type delta HURT (40.3 vs 50.0 for plain copy), matching the-organisers' report that pseudobulk_shift on real T1 (48.6) is below-copy_last. So this is copy_last on the best available base.+"""Proliferation-weighted composition resampling on the official-base copy_last.++Base pool: latest OFFICIAL input stage (external stages only when no official+stage exists, e.g. X3). No expression modification: every output cell is an+unmodified base cell, so per-cell covariance structure is preserved.++Composition adjustment: each cell type's proliferation level is measured+from a canonical cell-cycle gene set (generic biology knowledge: M/G2-phase+and S-phase markers, e.g. Tirosh et al. 2016 cell-cycle scoring; the gene+list is stage-independent). More proliferative populations are expected to+expand over the input->target interval, so type weights are++    w_c = (s_c / s_mean) ** (alpha * dt)++with s_c the mean cell-cycle score of type c, dt the day gap to the target,+alpha a damping exponent. Cells are drawn by weighted sampling WITHOUT+replacement (Efraimidis-Spirakis keys u**(1/w)), so distinct real cells are+kept and only the type proportions change.++If fewer than 10 cell-cycle genes are covered by the panel, weights are+uniform (falls back exactly to copy_last). alpha = 0 also falls back. """  from __future__ import annotations  import argparse+import os  import numpy as np+import scipy.sparse as sp  from src.task1_temporal.view_io import (     inputs_by_time,     load_manifest,     panel_genes,     read_stage,-    sample_rows,     target_n_cells,     write_prediction, ) +# Canonical proliferation markers (generic cell-cycle knowledge, not+# stage-specific): mitotic/G2M and S-phase genes.+CC_GENES = [+    "Top2a", "Mki67", "Pcna", "Ccnb1", "Ccnb2", "Cdk1", "Mcm2", "Mcm3",+    "Mcm4", "Mcm5", "Mcm6", "Mcm7", "Rrm2", "Ube2c", "Cenpf", "Cenpe",+    "Birc5", "Ccne1", "Ccna2", "Kif11", "Nusap1", "Tpx2", "Cdc20", "Plk1",+    "Aurka", "Aurkb", "Bub1", "Mcm10", "Tyms", "Dnmt1", "Hells",+]++MIN_CC_GENES = 10+++def cell_cycle_scores(adata, genes) -> np.ndarray:+    gene_list = list(genes)+    pos = {g: i for i, g in enumerate(gene_list)}+    idx = [pos[g] for g in CC_GENES if g in pos]+    if len(idx) < MIN_CC_GENES:+        return np.zeros(adata.n_obs, dtype=np.float64)+    X = adata.X+    sub = X[:, idx]+    sub = np.asarray(sub.todense()) if sp.issparse(sub) else np.asarray(sub)+    return sub.mean(axis=1)+++def type_weights(adata, scores: np.ndarray, alpha: float, dt: float):+    """Per-cell sampling weights from per-type proliferation scores."""+    n = adata.n_obs+    if alpha == 0.0 or scores.max() <= 0.0:+        return np.ones(n, dtype=np.float64)+    ct = None+    for col in ("celltype", "cm_celltype"):+        if col in adata.obs:+            ct = np.asarray(adata.obs[col])+            break+    if ct is None:+        s_mean = max(float(scores.mean()), 1e-6)+        rel = np.clip(scores / s_mean, 0.25, 4.0)+        return rel ** (alpha * dt)+    cell_w = np.ones(n, dtype=np.float64)+    types = np.unique(ct)+    per_type = {}+    for t in types:+        m = ct == t+        per_type[t] = float(scores[m].mean())+    s_mean = float(np.mean(list(per_type.values())))+    s_mean = max(s_mean, 1e-6)+    for t in types:+        rel = min(max(per_type[t] / s_mean, 0.25), 4.0)+        cell_w[ct == t] = rel ** (alpha * dt)+    return cell_w+++def weighted_sample_without_replacement(w: np.ndarray, n_out: int,+                                        rng: np.random.Generator) -> np.ndarray:+    n = w.shape[0]+    if n_out >= n and np.allclose(w, w[0]):+        return rng.permutation(n)[: min(n_out, n)] if n_out <= n else np.arange(n)+    u = rng.random(n)+    keys = np.power(u, 1.0 / np.maximum(w, 1e-12))+    order = np.argsort(-keys, kind="stable")+    if n_out <= n:+        return np.sort(order[:n_out])+    # more cells requested than available: keep all, then resample uniformly+    extra = rng.choice(n, size=n_out - n, replace=True)+    return np.sort(np.concatenate([np.arange(n), extra]))+  def main() -> None:     parser = argparse.ArgumentParser()@@ -37,16 +113,26 @@ def main() -> None:     parser.add_argument("--seed", type=int, default=0)     args = parser.parse_args() +    alpha = float(os.environ.get("VEC_ALPHA", "-3.0"))+     manifest = load_manifest(args.data)     genes = panel_genes(args.data, manifest)      official = inputs_by_time(manifest, include_external=False)     stages = official if official else inputs_by_time(manifest)+    last = stages[-1] -    last = read_stage(args.data, stages[-1], genes)+    adata = read_stage(args.data, last, genes)     rng = np.random.default_rng(args.seed)-    rows = sample_rows(last.n_obs, target_n_cells(manifest, last.n_obs), rng)-    write_prediction(last.X[rows], genes, args.out, seed=args.seed)+    n_out = target_n_cells(manifest, adata.n_obs)++    dt = float(manifest.get("target", {}).get("time", 0.0) or 0.0) - float(last.get("time", 0.0) or 0.0)+    dt = max(min(dt, 2.0), 0.0)++    scores = cell_cycle_scores(adata, genes)+    w = type_weights(adata, scores, alpha, dt)+    rows = weighted_sample_without_replacement(w, n_out, rng)+    write_prediction(adata.X[rows], genes, args.out, seed=args.seed)   if __name__ == "__main__":

调研来源?调研员查到并用到的知识条目和文献检索结果（只列标题和编号）。

用到的知识库条目

分析结果?分析员写的 ANALYSIS.json：改了什么、各组分数怎么变、假设是否成立、经验和下一步建议。

对话摘要?每个角色和大模型对话的统计：轮数、工具调用、用时、token 数和最后的回答摘录；原始记录只给路径。

只给统计和最后回答的摘录；完整对话请到原始记录位置里列出的文件看。

分析员

ANALYSIS.json written

工程师

Done. Final state committed in `solution/`.

**做了什么**：在父节点 official-base copy_last 之上加入增殖评分驱动的组成重加权——用 31 个通用细胞周期基因给每个细胞打分，按类型算权重 `w_c=(s_c/s_mean)^(alpha·dt)`，Efraimidis-Spirakis 加权不放回抽样，不改任何细胞表达。实测 alpha 符号与 PLAN 相反：**低增殖类型应上调**（祖细胞快速分化被稀释、慢周期分化群占比上升），alpha=-3 最优（曲线：+2→43.8，-1→51.8，-2→54.1，**-3→54.6**，-4→52.7，-6→48.7）。

**查分结果**（A 半，11/20 次）：proxy 54.57（seed1: 54.36）、proxy2 54.57、X3 50.00（X3 输出全细胞，与 copy_last 恒等，无风险）→ 估计节点分 ≈53.0（父 50.03）。三视图 vec-check 全 ok，确定性验证通过，运行 <7s。

**下一步最值得试**：① 用分化程度先验（TF 调控网络/GO）替代或联合增殖分做重加权；② 组成校正后重新测试温和的通路约束表达平移（direction 57.5 但 de_recovery 仅 50.5，表达层面还有空间）；③ 细胞级（而非类型级）权重梯度。

调研员

{"name":"增殖评分驱动的组成重加权（保留单细胞表达，仅调采样比例）","motivation":"父节点 2 的 copy_last 在四个分组均为 ~50（cell_state 49.93, covariation 50.11, de_recovery 50.00, direction 50.11），三把尺子也均为 ~50，说明我们恰好处于 copy_last 基线。节点 4 证明朴素位移有害（X3 40.33 vs 50.00），节点 2 证明平滑摧毁 covariation（51.3→5.9）。方向库 T1-01（组成重加权）标注为 run2 胜者、待超越基线，T1-13（增殖/凋亡打分驱动组成）尚未在本树尝试。E8.5→E9.5 间隔 1 天（~2 个细胞周期），细胞类型比例变化是主要可预测信号；调整比例不改变单细胞表达，因此不损害 covariation 和 cell_state 的细胞级结构。","approach":"步骤：1) 沿用父节点逻辑取最新官方阶段作为细胞池（proxy 用 E8.5，X3 用最新外部阶段，proxy2 忽略 Qiu）。2) 增殖评分：用标准周期基因集（Top2a, Mki67, Pcna, Ccnb1, Ccnb2, Cdk1, Mcm2, Mcm3, Mcm4, Mcm5, Mcm6, Mcm7, Rrm2, Ube2c, Cenpf 等 ~20 个通用增殖标记，属通用生物学知识非阶段特异统计）对每个细胞打分 = 该基因集在该细胞中的平均 log 表达。若某些基因不在 panel 中，取交集。3) 按类型（由数据自带的 obs 列或 frozen classifier 输出列，若无标签则用 Leiden 聚类 res=0.8）计算每类型平均增殖分。4) 将增殖分转换为预期倍增权重：w_c = 2^(alpha * s_c / s_max)，其中 s_c 是类型 c 的归一化增殖分，s_max 是全局最大值，alpha 为阻尼系数（初值 0.5，搜索范围 [0.2, 0.3, 0.5, 0.7, 1.0]）。5) 按权重从细胞池加权抽样 target_n_cells 个细胞（np.random.default_rng(seed).choice 带 p 参数）。6) 输出不做任何表达值修改。单阶段退路：proxy 只有 E8.5，上述流程完全适用（增殖信号在单快照内可计算）。proxy2：同 proxy，忽略 Qiu 输入。final：用最新官方阶段，同逻辑。vec-score 快筛：先在 X3 上跑（它有两个阶段可验证方向），若 X3 A 半 ≥51 再跑 proxy；若所有视图均 ≤50.5（噪声内）则回退 copy_last 提交。alpha 搜索：在 X3 上测 3 个值（0.3, 0.5, 0.7），选最优后在 proxy 确认。预计耗时：实现 ~10 min，运行 <5 s，查分 5-8 次。","expected_groups":["cell_state","direction","de_recovery"],"risks":"1) 增殖驱动的比例变化幅度在 1 天内可能很小（<2%），导致改善 <2 分噪声——Engineer 应在 X3 上先验证，若 X3 不涨则止损回退。2) 若视图数据中无细胞类型标签列且无 frozen classifier 可用，则退化为无差别加权抽样（等价于按增殖分重排序后抽样），效果更弱但仍不损害。3) 周期基因集可能不完全覆盖数据 panel（尤其外部数据集），需取交集后检查覆盖度，若 <10 个基因则放弃增殖评分改用均匀抽样。4) 加权抽样可能改变稀有类型的绝对数量，若评分器对稀有类型敏感则 cell_state 可能反降——监控每类型抽样数占比变化。","sources":[]}

审查员

REVIEW.json written